Team Lead LLM engineer GenAI

Наша команда (70+ человек) создает технологический фундамент для внедрения GenAI в экосистему банка. Мы разрабатываем RAG-платформу, фреймворк исполнения агентов и системы обработки неструктурированного контента (документы, коммуникации). Наши сервисы оборачивают базовые LLM в готовые интерфейсы, позволяя бизнесу быстро создавать собственных агентов и GenAI-приложения. Мы обеспечиваем полный цикл разработки (E2E): ML-инженеры и бэкенд-разработчики работают вместе над реализацией сервисов, в связке с фронтендом и дизайнерами. У нас есть собственная команда разметки для оценки качества и сбора датасетов, с помощью которых мы дообучаем доменные модели под банковские сценарии. Масштаб задач: Сейчас в портфеле более 200 реализованных сценариев. В планах — реализация еще 300+ сценариев, включая создание слоя процедурной памяти для агентов, специализированных поисковых агентов и систем автоматической оценки качества GenAI (Auto-Eval). Развитие Self-Service инструментов (песочниц с UI), где команды банка могут тестировать гипотезы перед интеграцией. Чем предстоит заниматься Мы ищем инженеров, которым интересно не только R&D, но и создание полноценных продуктовых систем, способных обучаться на пользовательском фидбэке и решать конкретные бизнес-задачи.

• Развитие GenAI сервисов: Создание и улучшение RAG-систем (в т.ч. Agentic RAG), инструментов Agent Observability, сервисов обработки документов

• обучение моделей: тренировка и дообучение мультимодальных моделей на русском языке (OCR, Embeddings, Rerankers, VLM)

• MLOps и Data Management: Организация и автоматизация процесса разметки данных (от сбора до контроля качества краудсорсинга)

• развитие автономных пайплайнов улучшения качества моделей с использованием LLM-as-a-Judge

• Engineering: релиз новых моделей и сервисов в продуктовые среды.

БУДЕТ ПЛЮСОМ:

• Глубокое понимание LLM: опыт работы с большими языковыми моделями, Prompt Engineering, Fine-tuning LLM/VLM

• инженерная культура: уверенное владение Python 3, знание ООП, принципов SOLID. Хорошее знание алгоритмов и структур данных.

• LLM Stack: опыт работы с LangChain, LlamaIndex или другими фреймворками для разработки агентов и мультиагентных систем (MAS)

• Vibe Coding: умение автоматизировать собственные рутинные процессы с помощью AI-инструментов

• Mindset: желание постоянно изучать новые SOTA-подходы, модели и технологии.

• Активный профиль на GitHub с качественным кодом

• достижения (медали) на Kaggle

• участие в Open-Source проектах, связанных с LLM/NLP.

• комфортный современный офис - м. Кутузовская

• ежегодный пересмотр зарплаты, годовой бонус

• корпоративный спортзал и зоны отдыха

• более 400 образовательных программ СберУниверситета для профессионального и карьерного развития

• расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа

• гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ

• подписка Прайм с возможностью совместного использования на трёх близких

• вознаграждение за рекомендацию друзей в команду Сбера

• корпоративная пенсионная программа.